2019独角兽企业重金招聘Python工程师标准>>> 
非常高兴有机会和大家在这里交流Redis5.0之Stream应用。今天的分享更多的是一个抛砖引玉，欢迎大家提出更多关于Redis的思考。
首先，我们来个假设，这里有个杯子，这个杯子是去年我老婆送的，送的原因是我以前的杯子保温性能太好，导致我很少能喝上水，而这样敞口的杯子能促使我多喝水。虽然这杯子在商家的货架上只是千千万万只杯子中的一只，但是它对我来说仍然是不同的。不同的是过往，是记忆。这记忆说起来是数据的一类，这类数据也让我们生活更美好。
这种数据的特点是什么呢？产生是一次产生的，但是我们会希望经常看到，希望将这种美好填充到各种东西中。而杯子本身也可以说是一个生产-消费模型：数据出现，然后被各种消费。
消费的一种情况
因此，杯子不仅仅是一个杯子，实际上背后的可挖掘的东西非常多。意义越多，连接越多，关系越复杂，我们数据量也越大，所以，希望价值最大化的我们，就产生了大量希望被高速处理的数据，这数据体现在系统上，往往就成了数据洪峰，成了系统难以承受之重。
在很多情况下，我们采集端所包含的信息可能远远超出这个数值。例如，雾霾天里，我们的房间，我们的位置，它的空气质量是怎样的，各项污染物参数是多少？我们这个办公区，这栋楼，这个房间的空气质量又是怎样的，电力消耗是怎样的，行人状况，车辆数据，等等。上亿的数据，涉及互联互通，需要保证高并发可靠传输。同时数据收集上来后要进行处理和存储、分析，对系统的挑战都是巨大的。
巨大的、网状的互联互通，需要带宽巨大、顺畅的管道；这么多的数据，会形成巨大的数据洪流，采集完成后在云端进行分析，也可以产生巨大的用户价值。
区域检测监控
这些数据虽然形式各不相同，但是也有共同的特点，就是和时间有关。例如，一户人家，从主卧到书房，从客厅到餐厅，不同的房间不同的位置放置一些空气监测仪，监测仪里面的化学药剂接触空气中的各种成分，随时间缓慢变化，变化过程中产生信号，这些信号经过初步整理计算，形成一个平面的空气质量数据；从清晨到傍晚，从春到秋，不同的时间点，甲醛、TVOC等各种污染物成分的数值也不一样，因此平面的数据在这里形成了时序数据。
凑巧的是，Redis的流就是专门为时序数据设计的。我们回顾一下Redis的流的存储设计：主线是一个消息链表，将所有消息按照顺序串起来。因此Redis的流在这方面支持度是非常不错的，我们可以将平面内的数据按照时间序列加入到Redis流里面。当然这些数据我们可能需要初步处理，因此我们也可以使用Redis的其它数据结构，例如list，再凭借Redis对Lua脚本的支持，用很少的外部应用逻辑驱动它完成处理。这处理因为是在Redis内部完成，所以整体上来说，计算消耗是比较低的。Redis原本凭借它原生C的优势，还有内存实现和数据结构的优化，内存占用就比较小，CPU要求也低，使它在小型设备上高效率的运行成为可能。未来可能会有万亿级的智能设备基于ARM平台，前景还是非常广阔的。
所以从设备端，我们已经可以使用Redis来完成数据的临时存储和基本的处理，加入Redis流后，再使用MQTT、TCP、808等协议，通过网络上传数据。通常我们需要采集的区域会比较广，设备数量很多，因此数据也比较多，那数据可能还需要在局部，进行初步的汇总处理。这里数据洪峰往往就开始显露了。如果我们期望保存进mysql等数据库，通常是顶不住压力的。因为数据库的原子性、一致性、隔离性、持久性等，对性能的损耗是比较大的。所以这里我们可以使用Redis来接收洪峰监测数据，然后分发给存储服务、处理服务、展示服务，等等。在分发处理完成前，Redis本身作为高速内存存储，流里面的数据也是可以作为普通的缓存数据，被反复访问的，所以也在一定程度上，对消息消费前的空档期，做了补充，也给予了后台更宽裕一些的处理时间。
我们来回顾一下其中Redis的使用：快，Redis的性能很高；小，轻便简洁，对内存和CPU要求小；丰富，数据结构丰富，用法多样；时序，流是为时序应用设计的；支持Lua脚本，能自定义逻辑。
饭要一口一口吃，路得一步一步走。让我们回到技术本身，从巨大的洪流里截取出一部分和Redis有关的，还原成基本的工作流程。
我这里截取的是空气监测的存储和处理。我们来看一下示意图，仪器上报数据，Redis接收数据流，并且提供给存储、分析消费，同时供应用使用。
检测数据产生，组别建立
首先来了一条空气数据，检测数据产生，存储、分析消费组也建立起来了。空气数据包含了hcho和tvoc污染物值。我们看看命令，这里有个maxlen，这是为了避免队列过长，所以设置的最大长度。为什么需要这么设置呢？因为Redis的流顺序消费后，甚至xdel后，数据并不会被清理，队列会越来越长，所以这里我们设置个最大长度，避免溢出。
这里有两个存储服务。假设存储相对比较慢，为了能及时处理，我们构建了更多的存储服务。
我们看看存储和分析服务消费数据的过程。这里两个存储服务都尝试获取数据，但是很明显，只有一个获取到了数据进行处理。分析在这时尝试取3条数据加入分析处理，但是因为stream里只有1条，所以这里只取到1条。
存储、分析服务消费数据
分析服务率先完成了数据的消费，所以在分析服务里马上答复了一个ack给stream，告诉它，已经消费完成了。随后存储服务也完成了存储，存储服务也发送了个ack给stream。
消费完成，答复ACK
分析服务刚刚答复完ack，因为某些原因，重启了。分析服务启动的时候，不清楚消费到哪里了，所以尝试从初始位置开始消费。这里因为前面已经消费过并且返回了ack，所以没有取到任何可消费的数据。如果有数据没消费完成的，通过这种方式可以进行再次消费，所以服务在消费时需要能够处理重入。
分析服务重启，开头消费起
在这里我们看到，检测数据也在不停地到来，存储和分析服务同样按照前面的规则消费。分析服务按照自己的能力，依然尝试一次取用3条，根据结果我们可以看到，这次分析服务取到了两条消费数据。
新检测数据
分析服务消费数据
存储服务呢？两个存储服务也都取到了数据进行消费。
存储服务消费数据
这时候用户开始访问应用了，他打算看下污染情况是怎样的。我们都能理解，刚刚购买一件新东西的时候，我们会更倾向于马上看看，所以这里用户肯定是期望看到污染物情况的。但是这时数据既没有分析完毕，也没有存储完毕，我们需要怎么处理呢？
应用服务可以先检测状态，发现需要的数据还没有处理完成，因此从常规缓存里面获取明显是获取不到的。所以应用直接从stream里获取了，我们可以看到，用户顺利地秒看到了监测数值，对身边的状况马上有了一个了解。用户想看看还有没有新数据，所以在应用上点了下刷新，我们看到，这次仍然能从stream中获取到需要的数据。当然，如果用户想针对性地看看情况，应用中也可以指定ID读取。那还有没有其它方式呢？xrange也是批量取出需要消息的一种方法。
应用使用xread方式读取数据
应用使用xrange方式截取数据
从这里可以感受到，虽然我们的日子，在时间的流里面一往无前，一去不返了，但幸运的是，在Redis的流里面，我们仍然可以从过往里截取出任意一段，重新品尝，温故知新。
回到例子。用户刷完两次后，存储和分析服务处理好数据了，所以存储和分析服务再次向stream发送ack消息，示意已经处理完成。
消费完毕，返回ack
当然，这些Redis里面的处理，都是一如既往地高性能、高效的。
这里只是一个简单的截面，一个示意。实际上，Redis原本的使用场景就非常丰富，例如，作为会话缓存，作为页面的全页缓存，手机或者网页的验证码，服务访问的频率限制，密码防暴力破解，竞技场、吃鸡、短视频女神榜等各种排行榜，点赞、阅读数等计数器和排行，关注某个标签、或者某个明星的人，限时优惠活动，证券的实时指标计算，号码发放器，甚至还有geo地理信息，基于LUA的自定义逻辑，还有订阅发布，等等，非常丰富。这些都是基于Redis丰富的数据结构，开发出来的使用方式。
罗胖在时间的朋友演讲说，大趋势往往不是一个小趋势逐步成长起来的，而是趋势撞击趋势，改变带来改变，逐渐滚动、交织变大的。那么Redis的流，能在这些已经存在的应用场景里，提供怎样的碰撞？又能在新的领域里，带来怎样的趋势？欢迎大家前来共同讨论。
也欢迎大家到华为云分布式缓存免费领取Redis 5.0。现在Redis 5.0是公测阶段，可以免费体验。领取也非常简单，申请公测，然后花费几秒创建Redis 5.0实例，就可以了。
